计算机毕业设计Django+LLM大模型知识图谱古诗词情感分析古诗词推荐系统古诗词可视化大数据毕业设计(源码+LW+PPT+讲解)

原创于 2025-12-08 00:14:31 发布 · 525 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#课程设计 #知识图谱 #大数据 #爬虫 #cnn #django #python

大数据毕业设计专栏收录该内容

6076 篇文章

订阅专栏

温馨提示：文末有优快云平台官方提供的学长联系方式的名片！

温馨提示：文末有优快云平台官方提供的学长联系方式的名片！

温馨提示：文末有优快云平台官方提供的学长联系方式的名片！

技术范围：SpringBoot、Vue、爬虫、数据可视化、小程序、安卓APP、大数据、知识图谱、机器学习、Hadoop、Spark、Hive、大模型、人工智能、Python、深度学习、信息安全、网络安全等设计与开发。

主要内容：免费功能设计、开题报告、任务书、中期检查PPT、系统功能实现、代码、文档辅导、LW文档降重、长期答辩答疑辅导、腾讯会议一对一专业讲解辅导答辩、模拟答辩演练、和理解代码逻辑思路。

🍅文末获取源码联系🍅

🍅文末获取源码联系🍅

🍅文末获取源码联系🍅

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及LW文档编写等相关问题都可以给我留言咨询，希望帮助更多的人

信息安全/网络安全大模型、大数据、深度学习领域中科院硕士在读，所有源码均一手开发！

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助更多的人

介绍资料

任务书：Django+LLM大模型知识图谱古诗词情感分析系统开发

一、项目背景与目标

古诗词作为中华文化的重要载体，蕴含丰富的情感与文化内涵。传统情感分析方法多依赖人工标注或浅层语义模型，难以捕捉诗词中隐晦的意象与复杂情感。随着大语言模型（LLM）与知识图谱技术的发展，本项目旨在结合Django框架构建Web应用，利用LLM（如LLaMA、ChatGLM）进行深度语义理解，结合知识图谱（如诗词意象、作者关系图谱）增强情感分析的准确性，实现古诗词情感分类、意象解析与可视化展示，为文化研究、教育传播提供智能化工具。

二、项目目标

数据层目标
- 构建古诗词知识图谱，整合诗词文本、作者信息、历史背景、意象符号等结构化数据。
- 采集并标注古诗词情感数据集（如积极/消极/中性），支持模型训练与评估。
算法层目标
- 基于LLM实现古诗词语义理解，提取关键意象与情感倾向。
- 结合知识图谱推理（如“月亮→思乡”关联），优化情感分析结果。
应用层目标
- 开发Django Web应用，提供诗词检索、情感分析、图谱可视化等功能。
- 支持用户交互式探索（如点击意象查看关联诗词）。
性能目标
- 情感分析准确率≥90%（测试集）。
- 系统响应时间≤2秒（单首诗词分析）。

三、技术架构设计

1. 整体架构

采用分层架构，分为数据层、算法层、应用层：

数据层
- 知识图谱构建：使用Neo4j存储诗词-意象-作者关系，通过Python库（py2neo）操作。
- 数据采集：爬取公开诗词数据库（如古诗文网、全唐诗库），结构化存储至MySQL。
算法层
- LLM微调：基于开源模型（如ChatGLM-6B）在诗词数据集上微调，优化情感分类与意象提取任务。
- 知识融合：将LLM输出结果与知识图谱关联（如通过意象名称匹配图谱节点）。
应用层
- Django后端：处理HTTP请求，调用算法服务，管理用户会话。
- 前端交互：基于Vue.js/ECharts实现诗词列表、情感标签、图谱可视化。

2. 关键技术选型

Web框架：Django（提供用户认证、ORM、RESTful API支持）。
大模型：ChatGLM/LLaMA（本地部署，避免API调用延迟）。
知识图谱：Neo4j（图数据库，支持Cypher查询语言）。
爬虫工具：Scrapy（采集诗词数据）。
可视化：ECharts（关系图谱）、Bootstrap（响应式布局）。

四、功能模块划分

数据采集与预处理模块
- 爬取诗词文本、作者、朝代等元数据，存储至MySQL。
- 人工标注情感标签（或使用现有标注数据集）。
知识图谱构建模块
- 提取诗词中的意象（如“月亮”“孤雁”），构建“诗词-意象-情感”三元组。
- 导入Neo4j，形成可查询的图结构（如查询“所有表达思乡的诗词”）。
LLM情感分析模块
- 任务1：输入诗词文本，输出情感标签（积极/消极/中性）。
- 任务2：提取关键意象及解释（如“‘明月’象征思乡”）。
- 优化：结合知识图谱结果修正LLM输出（如冲突时以图谱关系为准）。
Web应用模块
- 诗词检索：按朝代、作者、关键词搜索诗词。
- 情感分析展示：显示情感标签、置信度及意象解析。
- 图谱可视化：点击意象节点展开关联诗词网络。

五、项目实施计划

1. 开发阶段（6周）

第1-2周：
- 完成诗词数据采集与MySQL存储。
- 设计Neo4j图谱模式（节点类型、关系定义）。
第3-4周：
- 微调LLM模型，训练情感分类与意象提取任务。
- 开发Django后端API（如/analyze接口接收诗词文本，返回分析结果）。
第5-6周：
- 实现前端页面与交互逻辑（搜索、分析、图谱展示）。
- 集成LLM与知识图谱服务，测试联合推理效果。

2. 测试与优化阶段（2周）

功能测试：验证情感分析准确性、图谱查询正确性。
性能测试：模拟多用户并发请求，优化Django缓存与数据库查询。
用户反馈：邀请目标用户（如文学研究者）试用并收集改进建议。

3. 部署与验收阶段（1周）

部署至云服务器（如阿里云ECS），配置Nginx+Gunicorn。
编写用户手册与系统维护文档。
客户验收，交付源码、数据集与部署包。

六、预期成果

完成Django+LLM+知识图谱的古诗词情感分析系统开发。
提交以下交付物：
- 系统源码（GitHub仓库）。
- 诗词知识图谱数据集（Neo4j导出文件）。
- 测试报告（含准确率、响应时间等指标）。
实现核心功能：
- 情感分析准确率≥90%（测试集）。
- 支持至少10,000首诗词的图谱存储与查询。

七、风险评估与应对

数据质量风险：爬取数据存在缺失或错误。
- 应对：增加人工校验环节，使用规则过滤异常数据。
LLM效果风险：微调模型对古诗词理解不足。
- 应对：引入领域适配技术（如LoRA），结合知识图谱后处理。
性能风险：Neo4j图谱查询延迟高。
- 应对：优化Cypher查询语句，添加数据库索引。

八、团队分工

数据工程师：负责诗词数据采集、清洗与知识图谱构建。
算法工程师：微调LLM模型，设计知识融合策略。
前端开发：实现Web界面与可视化交互。
后端开发：开发Django API，集成算法服务。
测试工程师：制定测试用例，执行性能与功能测试。

任务书编制人：XXX
日期：XXXX年XX月XX日

备注：本项目可根据实际需求调整技术选型（如替换LLM模型或图数据库），需与客户确认后最终定稿。

运行截图

项目案例

优势

1-项目均为博主学习开发自研，适合新手入门和学习使用

2-所有源码均一手开发，不是模版！不容易跟班里人重复！

为什么选择我

博主是优快云毕设辅导博客第一人兼开派祖师爷、博主本身从事开发软件开发、有丰富的编程能力和水平、累积给上千名同学进行辅导、全网累积粉丝超过50W。是优快云特邀作者、博客专家、新星计划导师、Java领域优质创作者,博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和学生毕业项目实战,高校老师/讲师/同行前辈交流和合作。

🍅✌感兴趣的可以先收藏起来，点赞关注不迷路，想学习更多项目可以查看主页，大家在毕设选题，项目代码以及论文编写等相关问题都可以给我留言咨询，希望可以帮助同学们顺利毕业！🍅✌